تعیین رخساره‌های الکتریکی بر اساس رخساره‌های رسوبی و گونه های سنگی به کمک روشهای خوشه‌بندی با استفاده از نگارهای چاه پیمایی و اطلاعات مغزه حفاری در سازندهای کنگان و دالان، میدان گازی پارس جنوبی

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی واحد دماوند - تهران

2 دانشگاه تهران

چکیده

رخسارۀ الکتریکی، واحدی از رسوبات یک توالی عمودی است که بر اساس قرائت نگارهای چاه پیمایی از واحدهای بالا و پایین خود قابل تفکیک است. برای شناسایی رخساره‌های الکتریکی توالی دو سازند کنگان و قسمت بالایی سازند دالان، از نگارهای چاه پیمایی با نظارت اطلاعات آنالیز مغزه حفاری چهار چاه (A، B، C و D) در میدان گازی پارس جنوبی استفاده شد. با توجه به این که تنها اطلاعات مغزه چاه A در دسترس بود، ابتدا به بررسی مقاطع نازک تهیه‌شده از پلاگهای مغزه حفاری در این چاه پرداخته شد که موجب شناسایی ۱۲ ریزرخساره و ۷ محیط رسوبی شد. برای شناسایی رخساره‌های الکتریکی با استفاده از این داده‌ها روشهای خوشه‌بندی استفاده شد تا پاسخ نگارها و داده‌های مغزه در دسته‌های همگن قرار گیرند. در مطالعه حاضر، گونه های سنگی که خصوصیات مخزنی یکسانی دارند با استفاده از نمودار متقاطع تخلخل/تراوایی مغزه شناسایی شدند که بر این اساس ۶ گونۀ سنگی شناسایی شد. پس از دسته‌بندی و واسنجی گونه های سنگی و ریزرخسار های حاصل از اطلاعات مغزه حفاری، مدلهای MRGC این رخساره‌ها در نگارهای چاه A نیز شناسایی شدند. مدل بهینه‌شده در چاه A در چاههای B، C و D به کار گرفته شد تا رخساره‌های الکتریکی را در این چاهها که فاقد مغزه بودند شناسایی کند. برای کنترل کیفیت رخساره‌های پیش‌بینی‌شده در این چاه‌ها، میانگین خواص پتروفیزیکی هر یک از رخساره‌ها در چاه‌های مختلف با هم مقایسه گردید. همچنین این رخساره‌ها در ۴ چاه باهم مطابقت داده شدند تا میزان همخوانی آنها با یکدیگر تعیین شود. در نتیجه تعداد ۶ رخسارۀ الکتریکی با خواص پتروفیزیکی متفاوت شناسایی شدند که ضعیف‌ترین کیفیت مخزنی متعلق به رخسارۀ شمارۀ ۱ با سنگ‌شناسی غالب انیدریت لایه‌ای و بهترین کیفیت مخرنی متعلق به رخسارۀ شمارۀ ۶ با سنگ‌شناسی غالب دولومیت و کلسیت با بافت گرینستونی بود. با توجه به دقت بالای نتایج به دست آمده، مدل به دست آمده در سایر چاههای میدان قابل استفاده است.

کلیدواژه‌ها


امینی، ع.، ۱۳۸۸. مبانی چینه نگاری سکانسی. انتشارات دانشگاه تهران، ۳۲۴ ص.
آقانباتی، س.ع.، 1383. زمین شناسی ایران. سازمان زمین‌شناسی و اکتشافات معدنی کشور. 586ص.
رحیمی بهار، ع.ا.، پرهام، س.، ۱۳۹۱. تجزیه و تحلیل رخساره های الکتریکی بر اساس رخساره های رسوبی. رخساره های رسوبی، ۵ (۱): ۶۱-۷۴.
سروش نیا، م.، کدخدائی ایلخچی، ع.، نوری، ب.، ۱۳۹۱. بررسی روشهای خوشه سازی در تعیین الکتروفاسیسها و نیز میکروفاسیسهای مخزنی با استفاده از اطلاعات پتروفیزیکی و پتروگرافی در سازند آسماری در یکی از میادین نفتی خلیج فارس. سی و یکمین گردهمایی علوم زمین، سازمان زمین شناسی و اکتشافات معدنی کشور.
کدخدائی ایلخچی، ع.، رضائی، م.ر.، معلمی، س.ع.، شیخ زاده، ا.، ۱۳۸۴. تخمین گونه های سنگی و تراوایی در میدان گازی پارس جنوبی با استفاده از تکنیک خوشه سازی میان مرکز فازی و مدلسازی فازی. نهمین همایش انجمن زمین شناسی ایران، دانشگاه تربیت معلم تهران، ص۶۹۰- ۶۷۸.
کوت زاده، آ.، ۱۳۹۱. تعیین دسته بندی سنگی مخزن به کمک روشهای موجود در مهندسی نفت. سی و یکمین گردهمایی علوم زمین، سازمان زمین شناسی و اکتشافات معدنی کشور.
موحد، ب.، کهنسال قدیم وند، ن.، زمان نژاد، م.ر.، ۱۳۹۰. ارزیابی پتروفیزیکی سازندهای کنگان و دالان فوقانی ـ چاه Sp.x در میدان گازی پارس جنوبی. فصلنامه زمین، ۶ (۲۱)، ۱۸۵- ۱۶۹.
Alizadeh, B., Najjari, S., & Kadkhodaei-Ilkhchi, A., 2012. Artificial neural network modeling and cluster analysis for organic facies and burial history estimation using well log data: A case study of the South Pars Gas Field, Persian Gulf, Iran. Computers & Geosciences, Elsevier Press. 45: 261–269.
Askari, A.A., & Behrouz, T., 2011. A Fully Integrated Method for Dynamic Rock Type Characterization Development in One of Iranian Off-Shore Oil Reservoir. Journal of Chemical and Petroleum Engineering, University of Tehran, 45 (2): 83-96.
Bagheri, A.M., & Biranvand, B., 2006. Characterization of Reservoir Rock Types in a Heterogeneous Clastic and Carbonate Reservoir, JSUT, 32 (2): 29-38.
Gholizadeh, M.H., & Darand, M., 2009. Forecasting precipitation with artificial neural networks (case study: Tehran). Journal of Applied Sciences, 5: 23-32.
Khoshbakht, F., & Mohammadnia, M., 2012. Assessment of Clustering Methods for Predicting Permeability in a Heterogeneous Carbonate Reservoir. Journal of Petroleum Science and Technology, 2 (2): 50-57.
Kumar, B., Kishore, M., 2006. Electrofacies Classification–A Critical Approach. 6th International Conference & Exposition on Petroleum Geophysics, New Delhi, India, pp. 822-825.
Rabiller, P., 2005. Facies prediction and data modeling for reservoir characterization. 1th Ed., Rabiller Geo-consulting.
Schlumberger, 1989. Log Interpretation Principles/Applications. Schlumberger, Hoston, Texas, pp. 1-241.
Sefidari, E., Amini, A., Kadkhodaei, A., & Ahmadi, B., 2012. Electrofacies clustering and a hybrid intelligent based method for porosity and permeability prediction in the South Pars Gas Field, Persian Gulf, Geopersia, 2 (2): 11-23.
Selley, R.C., 1996. Ancient Sedimentary Environmentals and their Sub-Surface Diagnosis, 4th ed. Nelson Thornes (Publisher) Ltd., England, 315 pp.
Serra, O., & Abbott, H.T., 1980. The contribution of logging data to sedimentology and stratigraphic, SPE 9270, 55th Annual Fall Technical Conference and Exhibition, Dallas, Texas, pp. 19.
Serra, O., 1986. Fundamentals of Well-Log Interpretation 2. The Interpretation of Logging Data. Developments in Petroleum Science, 15 (B): 3-679
Sutadiwirya, Y., 2008. Using MRGC (Multi Resolution Graph-Based Clustering) Method to Integrate Log Data Analysis and Core Facies to Define Electrofacies, in the Benua Field, Central Sumatera Basin, Indonesia. International Gas Union Research Conference, IGRC, Paris, pp. 2-12.
Tvakoli, V., & Amini, A., 2006. Application of multivariate cluster analysis in logfacies determination and reservoir zonation, case study of Maroun Field, South of Iran. JUST, 32 (2): 173-180.
Xu, C., & Torres-Verdin, C., 2012. saturation-height and invasion consistent hydraulic rock typing using multi-well conventional logs. SPWLA, 53rd Annual Logging Symposium, pp. 1-16.
Ye, S.J., & Rabiller Ph., 2000. A new tool for electrofacies analysis: multi resolution graph based clustering. SPWLA, 41st Annual Logging Symposium.
CAPTCHA Image